دوره 19، شماره 2 - ( لیزر در پزشکی 1401 )
جلد 19 شماره 2 صفحات 31-22 |
برگشت به فهرست نسخه ها
استادیار گروه فوتونیک، آزمایشگاه تصویربرداری نوری زیستی، پژوهشکده لیزر و پلاسما، دانشگاه شهید بهشتی، تهران، ایران
چکیده: (904 مشاهده)
مقدمه: تصویربرداری پخش نوری یک تکنیک تصویربرداری غیرتهاجمی و غیرمخرّب است که از امواج الکترومغناطیسی در محدوده‌ی طول موجیِ فروسرخ نزدیک برای اندازه‌گیری ویژگی‌های اپتیکی بافت زیستی نظیر جذب و پراکندگی از مرزهای محیط استفاده می‌کند. عواملی چون پراکندگی بسیار زیاد نور در بافت‌های زیستی و تعداد محدود اندازه‌گیری‌ها سبب شده مسئله‌ی بازسازی تصویر در این تکنیک چالش‌برانگیز شود. اخیراً شبکه‌های عصبی ژرف به حوزه بازسازی تصویر وارد شده‌اند و توانسته‌اند عملکرد بسیار خوبی از خود نشان دهند. در این پژوهش، روشی جدید برپایه‌ی یادگیری ژرف برای حلّ این مسئله ارائه شده است.
روش بررسی: برای پیاده‌سازی این روش با استفاده از شبیه‌سازی رایانه‌ای، بافت‌هایی مکعبی‌شکل با ابعاد 64×64×64 mm 5×5
یافته‌ها: برای سنجش کارایی این الگوریتم‌ها، عملکرد آن‌ها را با یکی از روش‌های کلاسیک برپایه‌ی مدل یعنی روش گرادیان مزدوج مقایسه کردیم. برای مقایسه‌ی این روش‌ها از معیارهایی چون میانگین خطای مطلق (MAE)، خطای حداقل مربّعات (MSE)، بیشینه سیگنال به نویز ((PSNR و شاخص شباهت ساختاری (SSIM)استفاده شد. نتایج به دست آمده نشان داد که MSEبه صورت میانگین 86 درصد و MAE تا 81 درصد کاهش داشته و PSNR 2 برابر افزایش یافته است.
نتیجه‌گیری: نتایج این پژوهش نشان داد که استفاده از شبکه‌های مصنوعی ژرف در مقایسه با روش‌های بازسازی کلاسیک جهت یازسازی تصاویر پخش نوری می‌تواند موجب بهبود کیفیت تصاویر به دست‌آمده شود.
نتیجه‌گیری: نتایج این پژوهش نشان داد که استفاده از شبکه‌های مصنوعی ژرف در مقایسه با روش‌های بازسازی کلاسیک جهت یازسازی تصاویر پخش نوری می‌تواند موجب بهبود کیفیت تصاویر به دست‌آمده شود.
واژه‌های کلیدی: تصویربرداری زیستی نوری، تصویربرداری پخش نوری، یادگیری ماشین، یادگیری ژرف، هوش مصنوعی، مسئله معکوس، بازسازی تصویر
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |